2 TABLE DES MATIÈRES. I.8.2 Exemple... 38
|
|
- Corinne Mongrain
- il y a 8 ans
- Total affichages :
Transcription
1 Table des matières I Séries chronologiques 3 I.1 Introduction I.1.1 Motivations et objectifs I.1.2 Exemples de séries temporelles I.1.3 Repères historiques I.1.4 Principaux modèles statistiques pour l étude des séries temporelles. 7 I.2 Processus univariés à temps discret I.2.1 Processus stochastique du second ordre I.2.2 Processus stationnaire I.2.3 Autocovariance et autocorrélations I.2.4 Estimation des moments pour les processus stationnaires I.2.5 Tests de blancheur I.2.6 Densité spectrale I.3 Décomposition saisonnière I.3.1 Principe de la décomposition saisonnière I.3.2 Décomposition saisonnière à l aide de la régression linéaire I.4 Prévision et processus des innovations I.5 Étude des processus AR I.5.1 Définition I.5.2 Processus AR canonique et écriture MA( I.5.3 Autocorrélations simples d un processus AR I.5.4 Autocorrélations partielle d un processus AR I.5.5 Exemples I.6 Processus MA I.6.1 Processus MA canonique et écriture AR ( I.6.2 Autocorrélations simples d un processus MA I.6.3 Autocorrélations partielles d un processus MA I.7 Processus ARMA I.7.1 Processus ARMA canonique et écritures MA( et AR( I.7.2 Autocorrélations d un processus ARMA I.7.3 Densité spectrale d un processus ARMA I.7.4 Estimation des processus ARMA I.7.5 Choix de modèle I.8 Pratique des modèles SARIMA I.8.1 Méthodologie
2 2 TABLE DES MATIÈRES I.8.2 Exemple
3 Chapitre I Séries chronologiques I.1 Introduction I.1.1 Motivations et objectifs Une série temporelle, ou série chronologique, est un ensemble d observations qui se distinguent par le rôle important que joue l ordre dans lequel elles ont été recueillies. Les objectifs du cours sont les suivants : 1. Comprendre les problématiques posées par le lien temporel. 2. Etre capable de mettre en oeuvre des techniques de base (statistiques sur des séries temporelles. L importance de ce domaine est illustrée par les nombreux domaines d application : Economie : prévision d indices économiques... Finance : évolution des cours de la bourse... Démographie : analyse de l évolution d une population... Météorologie : analyse de données climatiques... Médecine : analyse d electrocardiogrammes... Géophysique : analyse de données sismiques... Théorie du signal : transmission de signaux bruités... Traitement d images : analyse d images satellites, médicales... Energie : prévision de la consommation d éléctricité... Les buts poursuivis sont multiples : Description : détermination de composantes... Filtrage : transformation de la série dans le but d éliminer certaines caractéristiques ou des valeurs aberrantes... Modélisation : recherche de causalité... Prévision. Il existe évidemment des interactions entre ces différents objectifs. Afin de mener l étude pratique d une série temporelle, on ne doit pas négliger la phase descriptive, pour envisager éventuellement un filtrage de la série. La modélisation, qui s avère souvent plus facile sur une série filtrée, fournit les outils pour effectuer des prévisions. 3
4 4 CHAPITRE I. SÉRIES CHRONOLOGIQUES I.1.2 Exemples de séries temporelles Dans ce document, les exemples, les traitements et donc les graphiques sont obtenus à l aide du logiciel SAS. 1. La partition de musique est un exemple de série temporelle, même s il est rare de la modéliser mathématiquement (si on excepte la musique sérielle : Cf. Arnold Schönberg : modifier l emplacement d une note a des conséquences musicales évidentes. 2. Un bruit blanc fort est constitué de variables aléatoires indépendantes et identiquement distribuées (i.i.d., d espérance nulle. Voici un exemple simulé à partir d une loi normale N (0, La série suivante représente la population des Etats Unis de 1790 à On peut observer une tendance de type exponentiel puis linéaire, ainsi qu un point d inflexion dont il faudrait déterminer la cause si on veut modéliser le plus correctement possible cette série.
5 I.1. INTRODUCTION 5 4. Le graphique ci-dessous représente le nombre mensuel de passagers aériens de janvier 1949 à décembre C est une des séries les plus utilisées comme exemple d application et elle figurera abondamment dans ce document sous la dénomination Nombre de passagers aériens. On observe une tendance de type exponentiel ainsi qu une saisonnalité de période 12 (saisonnalité annuelle qui s accentue avec le temps. Si on effectue une transformation logarithmique de cette série, on se ramène à une tendance linéaire et à une saisonnalité non volatile :
6 6 CHAPITRE I. SÉRIES CHRONOLOGIQUES I.1.3 Repères historiques On peut distinguer trois phases dans l histoire de l analyse des séries temporelles : 1. Les séries temporelles apparaissent avec l utilisation de la représentation graphique, en astronomie. Le plus ancien diagramme connu figure ci-dessous ; il représente l inclinaison des planètes en fonction du temps (illustration d un commentaire du Songe de Scipion de Cicéron, extrait des Saturnales de Macrobius, en 395 après J.C. 2. A partir des 18ème et 19ème siècles, on passe de la visualisation graphique aux premières techniques temporelles (déterministes. Citons deux voies très importantes : les travaux de Schuster (1898, 1906 à partir de ceux de Fourier (1807 et Stokes (1879, sur l analyse fréquentielle d une série temporelle (un signal est approché par une somme de sinusoïdales ; les travaux de Pearson (1916 sur la décomposition d une série temporelle en termes de composantes tendantielle, cyclique, saisonnière et accidentelle.
7 I.1. INTRODUCTION 7 3. A partir du 20ème siècle, l aléatoire est pris en compte, notamment à l aide des travaux de Yule (1927. Ces travaux sont issus de l observation du mouvement oscillatoire d un pendule bombardé de petits pois lancés par un enfant! Il y a ensuite de nombreux contributeurs aux méthodes aléatoires : Cramer (1937, 1951, Wold (1938, Kolmogorov ( I.1.4 Principaux modèles statistiques pour l étude des séries temporelles On présente ici les principales familles de modèles utilisés pour traiter les séries temporelles. Modèles autorégressifs ( Auto-Regressive Ils ont été introduits par Yule en On prend en compte une dépendance linéaire du processus à son propre passé : AR(p : X t = ϕ 1 X t ϕ p X t p + ε t, où p N est l ordre du processus, ϕ 1,...,ϕ p sont des constantes réelles et (ε t t Z est un bruit blanc (cf. définition I.3. Modèles moyennes mobiles ( Moving Average Ils ont également été introduits en 1927, par Slutsky. Un processus moyenne mobile est la somme d un bruit blanc et des ses retards : MA(q : X t = ε t + θ 1 ε t θ q ε t q, où q N est fixé et θ 1,...,θ q sont des constantes réelles. Modèles ARMA ( Auto-Regressive Moving Average Développés par Box & Jenkins en 1970, les modèles ARMA sont une combinaison des modèles autorégressif et moyenne mobile : ARMA(p,q : X t ϕ 1 X t 1... ϕ p X t p = ε t + θ 1 ε t θ q ε t q. Les modèles ARIMA (AutoRegressive Integrated Moving Average et SARIMA (Seasonnal AutoRegressive Integrated Moving Average (un processus SARIMA est un processus ARMA intégré avec une composante saisonnière ont ensuite été développés afin de pouvoir modéliser un grand nombre de phénomènes réels qui présentent des tendances et/ou des saisonnalités. On applique en fait des modèles ARMA à des séries dites différenciées ; par exemple, pour un ARIMA d ordre 1, on suppose que X t X t 1 est un ARMA (on note en général X t = X t X t 1 ou encore (I BX t en utilisant les opérateurs identité I et rétrograde ( backward BX t = X t 1.
8 8 CHAPITRE I. SÉRIES CHRONOLOGIQUES Modèles ARCH ( Auto-Regressive Conditional Heteroskedasticity En 1982, Engle a proposé des modèles autorégressifs prenant en compte une volatilité stochastique : ARCH(p : X t = ε t ht avec h t = α 0 + α 1 X 2 t α p X 2 t p, où p 1 est fixé et α 0,...,α p sont des constantes positives. Modèles à mémoire longue Les modèles envisagés la plupart du temps sont des modèles dits à mémoire courte : deux instants éloignés du processus n ont que très peu d interaction entre eux. Il existe d autres modélisations pour les processus à mémoire longue, tels que les processus FARIMA (fractional ARIMA introduits en 1980 par Granger. Modèles multivariés ( Vector Auto-Regressive On est parfois contraints de modéliser un phénomène multiple, ou plusieurs séries ayant de fortes relations entre elles. Les modèles autorégressifs vectoriels sont un exemple d une modélisation multivariée : V AR : X t = AX t 1 + E t où X t = ( Xt 1,Xt 2, où A est une matrice carrée constante et (E t t Z est un bruit blanc multidimensionnel. Modèles non-paramétriques Tous les modèles envisagés précédemment sont paramétriques : l estimation d un ou plusieurs paramètres suffit pour déterminer les relations temporelles d un processus. On peut cependant considérer que la fonction de lien n est pas paramétrée ; on cherche alors à déterminer une fonction f dans des classes de fonctions adaptées traduisant la relation temporelle, par exemple : X t = f (X t 1,...,X t p + ε t. La fonction f peut être estimée à l aide de la méthode des noyaux, des séries de Fourier, des ondelettes... Modèles semi-paramétriques Les modèles non-paramétriques souffrent du fléau de la dimension. On utilise alors une modélisation non-paramétrique sur une ou plusieurs combinaison de variables, par exemple X t = f (θ 1 X t θ p X t p + ε t, où p 1 est fixé et θ 1,...,θ p sont des constantes.
9 I.2. PROCESSUS UNIVARIÉS À TEMPS DISCRET 9 I.2 Processus univariés à temps discret Cette section pose les bases de la modélisation probabiliste des séries temporelles. Il définit les notions de processus stochastique et de stationnarité, ainsi que des outils d analyse comme les autocorrélogrammes et le périodogramme. Soit (x t t T une famille d observations d un phénomène qui peut être physique, économique, biologique... Chaque observation x t R d a été enregistrée à un temps spécifique t T et on appelle série temporelle cet ensemble d observations. Si T est dénombrable (en général T Z, on parle de série temporelle à temps discret. Si T n est pas dénombrable (en général un intervalle de R, on parle de série temporelle à temps continu. On considère des séries temporelles à valeur dans R d. Si d = 1, on parle de série univariée. Si d > 1, on parle de série multivariée. On désignera dans la suite par série temporelle une série temporelle univariée à temps discret. On considère en Statistique que l observation x est la réalisation d une variable aléatoire X. De manière analogue, une série temporelle (x t t T est considérée comme la réalisation d un processus stochastique (d une suite de variables aléatoires (X t t T. I.2.1 Processus stochastique du second ordre Définition I.1. Soit X := (X t t T un processus stochastique (i.e. une suite de variables aléatoires. Le processus X est dit du second ordre si pour tout t T, X t est une variable aléatoire de carré intégrable i.e. E( X t 2 < +. Voici deux exemples de processus du second ordre qui sont fondamentaux dans la suite. Définition I.2. (ε t t Z est un bruit blanc fort si : (ε t t Z est une suite de variables aléatoires réelles indépendantes et identiquement distribuées (i.i.d., t Z : E (ε t = 0 et E ( ε 2 t = σ 2. Définition I.3. (ε t t Z est un bruit blanc faible si : (ε t t Z est une suite de variables aléatoires réelles identiquement distribuées, (t,t Z 2,t t : Cov (ε t,ε t = 0, t Z : E (ε t = 0 et E ( ε 2 t = σ 2. On rappelle maintenant un résultat important pour l étude de processus du second ordre. Proposition I.4. Soient (X n n Z et (Y n n Z deux processus tels que lim E n + [ ( + i=n 2 ( n X i + i= X i 2 ] = 0 et lim n + E [ ( i=n 2 ( n Y i + i= Y i 2 ] = 0. Alors, on a Cov X i, Y j = i= j= i= j= Cov (X i,y j
10 10 CHAPITRE I. SÉRIES CHRONOLOGIQUES I.2.2 Processus stationnaire Dans de très nombreux cas, on ne peut pas renouveler la suite de mesures dans des conditions identiques (par exemple le taux de chômage mensuel. Alors pour que le modèle déduit à partir d une suite d observations ait un sens, il faut que toute portion de la trajectoire observée fournisse des informations sur la loi du processus et que des portions différentes, mais de même longueur, fournissent les mêmes indications. D où la notion de stationnarité. Définition I.5. Un processus (X t t T est fortement stationnaire ou strictement stationnaire si, pour tous k 1, (t 1,...,t k T k, h tel que (t 1 + h,...,t k + h T k, les vecteurs (X t1,...,x tk et (X t1 +h,...,x tk +h ont même loi. Cette propriété très forte est très difficile à vérifier, d où la notion de stationnarité faible. Définition I.6. Un processus (X t t T du second ordre est faiblement stationnaire ou stationnaire à l ordre 2, si son espérance E (X t et ses autocovariances Cov (X s,x t sont invariantes par translation dans le temps : t T, E (X t = E (X 0, (s,t T 2, h / (s + h,t + h T 2, Cov (X s,x t = Cov (X s+h,x t+h. Dans la suite, on notera µ X = E (X 0 et γ X (h = Cov (X 0,X h. Remarque I.7. La stationnarité faible est bien plus facile à étudier et à vérifier que la stationnarité stricte. Un processus stationnaire n est pas obligatoirement borné ou sympathique (par exemple, un bruit blanc. Pour un processus du second ordre, la stationnarité stricte implique la stationnarité faible. La réciproque est fausse (elle n est vraie que pour les processus gaussiens. Exemple I Un bruit blanc fort est fortement stationnaire. 2. Un bruit blanc faible est faiblement stationnaire. 3. Un processus présentant une tendance et/ou une saisonnalité n est pas faiblement stationnaire. On désignera dans la suite par processus stationnaire, un processus faiblement stationnaire (donc du second ordre. De plus, on supposera que le processus est à temps discret et plus précisément que T = Z. Proposition I.9. Soit (X t t Z un processus stationnaire (au sens faible. Soit une suite (a i i Z telle que a i < +. Le processus (Y t t Z où Y t = i X t i, est stationnaire et i Z i Za µ Y = µ X a i où µ X = E (X, i Z γ Y (h = a i a j γ X (h + j i. i Zj Z Cela implique notamment qu une somme de v.a.r d un processus stationnaire est stationnaire. Notons que la somme de deux processus stationnaires n est pas forcément stationnaire. Il existe des non-stationnarités particulières dont :
11 I.2. PROCESSUS UNIVARIÉS À TEMPS DISCRET 11 (X t t Z est un processus non-stationnaire TS (Trend Stationary s il peut s écrire sous la forme :X t = f (t+y t, où f est une fonction déterministe et (Y t t Z un processus stationnaire. (X t t Z est un processus non-stationnaire DS (Difference Stationary s il est stationnaire après d différenciations : d X t = (I B d X t où BX t = X t 1. Si d = 2, cela signifie que le processus défini pour tout t Z par 2 X t = X t 2X t 1 + X t 2 est stationnaire. Ces processus peuvent néanmoins être rendus stationnaires par une suite de transformations usuelles (désaisonnalisation, différenciation, transformation non linéaire... Une méthodologie classique est celle de Box-Jenkins que nous étudierons par la suite et en TP. I.2.3 Autocovariance et autocorrélations L autocovariance (resp. l autocorrélation d un processus stochastique est la covariance (resp. la corrélation de ce processus avec une version décalé dans le temps de lui même. Ces fonctions sont bien définies pour un processus stationnaire. Dans la suite on considère un processus stationnaire (X t t Z. Fonction d autocovariance Définition I.10. On appelle fonction d autocovariance du processus X la fonction γ suivante : h Z : γ (h = Cov (X t,x t h Proposition I.11. La fonction d autocovariance vérifie les propriétés suivantes : γ (0 0, γ (h γ (0, γ est une fonction symétrique : pour tout h N, γ ( h = γ (h, γ est une fonction semi-définie positive : n N, (a i i {1,...,n} R n : n n a i a j γ (i j 0. j=1 Comme la fonction γ est symétrique, on calculera la fonction d autocovariance pour h N. Réciproquement, si une fonction γ vérifie : γ ( h = γ (h, h N, n n n N, (a i i {1,...,n} R n : a i a j γ (i j 0, j=1 alors c est une fonction d autocovariance. Autocorrélogramme simple Définition I.12. On appelle autocorrélogramme simple du processus X la fonction ρ suivante : h Z : ρ(h = Corr (X t,x t h = γ (h γ (0
12 12 CHAPITRE I. SÉRIES CHRONOLOGIQUES L autocorrélogramme simple est donc la fonction d autocovariance renormalisée. Il vérifie des propriétés similaires. Proposition I.13. On a : ρ(0 = 1, ρ(h 1, ρ est une fonction symétrique : h N : ρ( h = ρ(h, ρ est une fonction définie positive : n 0, (a i i {1,...,n} : n n a i a j ρ(i j 0. j=1 Définition I.14. On appelle matrice d autocorrélation de (X t,...,x t h+1 avec h N la matrice suivante : 1 ρ(1... ρ(h 1 R h = ρ( ρ(1 (I.1 ρ(h 1... ρ(1 1 Proposition I.15. La fonction ρ est une fonction définie positive si et seulement si h N : detr h 0. La seconde condition fixe de nombreuses contraintes aux corrélations, par exemple : Autocorrélogramme partiel detr 3 0 [1 ρ(2] [ 1 + ρ(2 2ρ 2 (1 ] 0. Une seconde façon de mesurer l influence entre le processus et son décalé dans le temps est de calculer la corrélation entre deux instants en enlevant une partie de l information contenue entre ces deux instants. Plus précisement, on calcule la corrélation entre le terme X t EL (X t X t 1,...,X t h+1 et le terme X t h EL (X t h X t 1,...,X t h+1, où la quantité EL (X t X t 1,...,X t h+1 (resp. EL (X t h X t 1,...,X t h+1 désigne la régression linéaire de X t (resp. X t h sur X t 1,...,X t h+1. On rappelle que la régression linéaire d une variable aléatoire Z sur n variables aléatoires Y 1,...,Y n est la variable aléatoire, notée EL (Z Y 1,...,Y n, est la combinaison linéaire des Y 1,...,Y n qui minimise Z Var(Z Z. Plus précisément, on a EL (Z Y 1,...,Y n = n a i Y i avec (a 1,...,a n = argmin (x 1,...,x n R n Var ( Z n x i Y i. Définition I.16. On appelle autocorrélogramme partiel du processus X la fonction r suivante : r (1 = ρ(1 et pour tout h N, r (h = Corr (X t,x t h X t 1,...,X t h+1 = Cov (X t EL(X t X t 1,...,X t h+1,x t h EL (X t h X t 1,...,X t h+1. Var (X t EL(X t X t 1,...,X t h+1
13 I.2. PROCESSUS UNIVARIÉS À TEMPS DISCRET 13 Théorème I.17. Soit (X t t Z un processus stationnaire. On considère la régression linéaire de X t sur X t 1,...,X t h : EL(X t X t 1,...,X t h = h a i (h X t i, et ε t = X t EL(X t X t 1,...,X t h. Alors on a E (ε t = 0 et il existe σ > 0 tel que pour tout t Z, E ( ε 2 t = σ 2 i {1,...,h} : E (ε t X t i = 0 Et on a a h (h = r (h ainsi que ρ(1 ρ(2... ρ(h = R h a 1 (h a 2 (h... a h (h D après cette proposition, si on a une estimation de (ρ(1,...,ρ(h et donc de la matrice d autocorrélation R h définie par (I.1, alors on est capable d estimer (a 1 (h,...,a h (h (en inversant la matrice R h. On obtient aussi, d après le théorème précédent, une estimation de l autocorrélogramme partiel r(h. Une façon moins coûteuse d inverser la matrice R h pour déterminer les autocorrélations partielles est d utiliser l algorithme de Durbin-Levinson. Algorithme I.18. Algorithme de Durbin-Levinson : a 1 (1 = ρ(1 h 2, i {1,...,h 1} : a i (h = a i (h 1 a h (h a h i (h 1, ρ(h h 1 ρ(h i a i (h 1 h 2 : a h (h =. 1 h 1 ρ(i a i (h 1 I.2.4 Estimation des moments pour les processus stationnaires Soit (X t t Z un processus stationnaire. Espérance L estimateur naturel (sans biais de E (X = µ à partir de (X 1,...,X T est la moyenne empirique X T :X T = 1 T X i. C est un estimateur convergent vers µ lorsque T tend vers T l infini. Autocovariance et autocorrélation Si on dispose de (X 1,...,X T alors on peut considérer les deux estimateurs suivants de la fonction d autocorrélation γ(h : pour tout h {1,...,T 1} γ (h = 1 T T t=h+1. ( Xt X T ( Xt h X T,
14 14 CHAPITRE I. SÉRIES CHRONOLOGIQUES et γ (h = 1 T h T t=h+1 ( Xt X T ( Xt h X T. Ils sont tous les deux convergents et asymptotiquement sans biais mais le biais de γ (h est plus petit que celui de γ (h. Par contre le premier est défini positif tandis que le second ne l est pas en général. On en déduit l estimateur suivant de l autocorrélogramme simple ρ(h : h {1,...,T 1} : ρ (h = T t=h+1 ( Xt X T ( Xt h X T T ( 2 Xt X T t=1 Remarque I.19. On peut noter que : Appliquer ces estimateurs avec h = T 1 pose problème. On peut faire les calculs même lorsque le processus n est pas stationnaire! Les estimations des autocorrélations partielles se déduisent des estimations des autocorrélations simples grâce à l algorithme de Durbin-Levinson. I.2.5 Tests de blancheur Il existe différents tests de blancheur nécessaires notamment pour valider les modélisations SARIMA (Seasonal ARIMA, notamment le test de Portmanteau. On considère le test suivant (de Portmanteau ou de Ljung-Box : { H0 : (X t t Z est un bruit blanc H 1 : (X t t Z n est pas un bruit blanc Si on dispose de (X 1,...,X T, on considère la statistique suivante (calculée sur les k premières estimations des autocorrélations : Q k = T k ρ 2 (h h=1 Une trop grande valeur de Q k indique que les autocorrélations sont trop importantes pour être celles d un bruit blanc. On peut également considérer la statistique (qui converge plus vite : k ρ 2 (h Q k = T (T + 2 T h Sous H 1, Q k diverge vers l infini quand T tend vers l infini. Asymptotiquement, sous H 0, Q k suit une loi du χ 2 à k degrés de liberté. On rejette donc l hypothèse H 0 au niveau α si : h=1 Q k > χ 2 k (1 α
15 I.2. PROCESSUS UNIVARIÉS À TEMPS DISCRET 15 où χ 2 k (1 α désigne le quantile d ordre 1 α d une loi du χ2 à k degrés de liberté. En général on préfère travailler sur la p-valeur : p-valeur = P ( χ 2 k Q k On rejette l hypothèse H 0 au niveau α si : p-valeur < α. Exemple I.20. Le logiciel SAS permet d effectuer le test de blancheur. La sortie suivante correspond au test de blancheur appliquée à un bruit blanc simulé : Dans cet exemple, on a choisit k = 6,12,18 et 24. On peut lire par exemple : q 18 = où q 18 est la réalisation de Q 18, p-valeur = On ne rejette donc pas (fort heureusement l hypothèse de blancheur de cette série. I.2.6 Densité spectrale Définition I.21. Soit (X t t Z un processus stationnaire de fonction d autocovariance γ. On appelle densité spectrale de X la transformée de Fourier discrète, f, de la suite des autocovariances (lorsqu elle existe : f (ω = 1 2π Cette densité spectrale existe lorsque : + h= + h= γ (h e ihω γ (h < + Si elle existe elle est continue, positive, paire et 2π-périodique (ce qui permet de l étudier uniquement sur [0,π]. Théorème I.22 (Théorème spectral. Si f est la densité spectrale de X alors : γ (h = +π π f (ω e ihω dω. Exemple I.23. Soit (ε t t Z un bruit blanc faible de variance σ 2. On a : γ (h = σ 2 si h = 0 et γ(h = 0 sinon. On en déduit donc : f (ω = σ2 2π Réciproquement, si la densité spectrale est constante, alors le processus correspondant est un bruit blanc faible.
16 16 CHAPITRE I. SÉRIES CHRONOLOGIQUES Définition I.24. Soit (X t t Z un processus stationnaire. Si on dispose de (X 1,...,X T, on appelle périodogramme la fonction I T suivante : I T (ω = 1 T T 2 X t e itω t=1 1 Si le processus (X t t Z admet une densité spectrale, alors 2π I T (ω est un estimateur sans biais de la densité spectrale (mais non-convergent!. On peut résoudre le problème de convergence en lissant le périodogramme et en considérant l estimateur suivant : ˆf(ω = 1 2π j m T W T (ji T ( g(t,ω + 2πj, T où g(t,ω est le multiple de 2π/T le plus proche de ω, m T + et m T T 0 quand T +, j Z,W T (j 0,W T ( j = W t (j, j m T W T (j = 1 et j m T WT 2 (j 0. Par exemple les poids constants W T (j = 1/(2m T + 1 conviennent, mais il existe d autres choix avec de meilleures propriétés. Une grande valeur du périodogramme suggère que la série a une composante saisonnière à la fréquence correspondante. Exemple I.25. Le graphique ci-dessous représente le périodogramme lissé du nombre de passagers aériens, dans le domaine fréquentiel : Le graphique ci-dessous représente le périodogramme du nombre de passagers aériens, dans le domaine temporel 1 : 1 On passe du domaine fréquentiel au domaine temporel à l aide de la relation : T = 2π.
17 I.3. DÉCOMPOSITION SAISONNIÈRE 17 I.3 Décomposition saisonnière Cette partie présente la décomposition saisonnière, à l aide de la régression et des moyennes mobiles. I.3.1 Principe de la décomposition saisonnière Il est courant de décomposer un processus (X t t {1,...,T } en différents termes : Une tendance : T t Une composante saisonnière : S t (de période p Un résidu aléatoire : ε t Et éventuellement une composante cyclique (de long terme : C t Il existe différentes modèles possibles dont : Le modèle additif : X t = T t + S t + ε t, où E (ε t = 0 et V (ε t = σ 2. Le modèle multiplicatif : X t = T t S t (1 + ε t, où E (ε t = 0 et V (ε t = σ 2. I.3.2 Décomposition saisonnière à l aide de la régression linéaire Principe On suppose que les composantes tendantielles et saisonnières sont des combinaisons linéaires de fonctions connues dans le temps : T t = n α i Tt i, S t = β j S j t, j=1 où : { S j 1 si t = j [p], t = 0 sinon.
18 18 CHAPITRE I. SÉRIES CHRONOLOGIQUES Exemple I.26. On peut considérer les tendances suivantes : 1. Tendance linéaire : T t = α 0 + α 1 t 2. Tendance quadratique : T t = α 0 + α 1 t + α 2 t 2 3. Tendance exponentielle : T t = cα t 4. Tendance de Gomperz : T t = exp ( c 1 α t + c 2 Les deux premiers cas peuvent se résoudre à l aide de la régression linéaire. Les deux suivants se résolvent par optimisation (en minimisant par exemple l erreur quadratique. Estimation dans le cas d un modèle additif Le modèle considéré est le suivant : t {1,...,T } : X t = n α i Tt i + β j S j t + ε t, j=1 où (ε t t Z est un bruit blanc. On cherche à minimiser l erreur quadratique T (X t t=1 n α i Tt i β j S j t 2 en les paramètre α 1,...,α n et β 1,...,β p, où n et p sont fixés. On utilise les notations suivantes : T T n 1 S S p 1 D = S = TT 1... TT n ST 1... S p T Avec ces notations, le système s écrit sous la forme vectorielle suivante : j=1 X = Dα + Sβ + ε = Y b + ε, où : X = X 1... X T ;ε = ε 1... ε T ;α = α 1... α n ;β = β 1... β p ;Y = [D,S];b = ( α β. Un estimateur de b dans X = Y b + ε par les moindres carrés ordinaires (MCO est : b = ( Y Y 1 Y X. Ainsi on obtient les estimateurs de α et β : ( [ D = α β D D S S D S S ] 1 ( D X S X De plus, ce sont des estimateurs sans biais ( E α β = ( α β,
19 I.3. DÉCOMPOSITION SAISONNIÈRE 19 et de variance ( V α β [ = s 2 D D D S S D S S ] 1 où s 2 1 T = ε 2 t est un estimateur convergent (lorsque T tend vers l infini et sans T n p t=1 biais de la variance de ε t. Résultats Une fois les estimations effectuées, on peut obtenir la série ajustée X t et la série corrigée des variations saisonnières Xt CV S : X t = n α i Tt i + p β j S j t j=1 Xt CV S = X t X t Prévision Si on désire prévoir X T+h, on peut supposer que le modèle est toujours valable à cet horizon, ce qui donne : X T+h = n α i TT+h i + β j S j T+h + ε T+h. La meilleure prévision au sens de l erreur quadratique moyenne est l espérance de X T+h notée X T (h avec n X T (h = E(X T+h = α i TT+h i + β j S j T+h, dont l estimateur X T (h est X T (h = X T+h = j=1 j=1 n α i TT+h i + β j S j T+h. La notation X T (h est utilisé pour signifier que l on prédit à l horizon h connaissant les données jusqu à T. On peut également estimer des intervalles de confiance (asymptotiques. j=1 Exemple Considérons le nombre de passagers aériens. La croissance du nombre de passagers aérien est exponentielle. On effectue donc une transformation logarithmique sur les données. Et on considère le modèle suivant : t {1,...,144} : X t = at + b + 12 j=1 c j S j t + ε t
20 20 CHAPITRE I. SÉRIES CHRONOLOGIQUES où on a tenu compte d une saisonalité annuelle : S j t = { 1 si t = j [12], 0 sinon. Ce modèle est l analogue du premier modèle historique de Buys-Ballot (1847. Comme 12 = 1, le modèle indéterminé. Pour résoudre ce problème on peut soit poser S j t j=1 c 12 = 0 soit contraindre 12 c j = 0. j=1 Le graphique suivant représente les résultats obtenus : série brute et série corrigée des variations saisonnières (on a effectué une transformation logarithmique aux données avant traitement, puis une transformation exponentielle aprés traitement. Remarque I.27. Il est aussi possible d utiliser des moyennes mobiles (ou glissantes pour effectuer les décompositions saisonnières. Une moyenne mobile est une combinaison linéaire d opérateurs retard : M = m 2 i= m 1 θ i B i où (m 1,m 2 N 2, (θ m1,θ m2 R 2 et B est l opérateur retard : BX t = X t 1 et plus généralement B i X t = X t i. Un algorithme classique de desaisonnalisation utilisant les moyennes mobiles est l algorithme X11 mis au point par le Bureau of Census. I.4 Prévision et processus des innovations On considère un processus stationnaire (X t t Z. Soit t fixé. La prévision linéaire optimale de X t sachant son passé est définie comme la régression linéaire de X t sur l espace fermé engendré par les combinaisons linéaires des (X i i t 1. On la note X t, X t = c 0 + t 1 i= a i X i, (I.2
21 I.5. ÉTUDE DES PROCESSUS AR 21 où (c 0,(a i 1 i t 1 = argmin c 0,(a i 1 i t 1 E[(X t c 0 + t 1 i= a i X i 2 ]. Les erreurs de prévision successives ε t = X t X t forment un processus appelé processus des innovations. Proposition I.28. Le processus des innovations, ou plus simplement innovations, est un bruit blanc. Remarque I.29. On utilise souvent des algorithmes itératifs afin de déterminer les prévisions basées sur (X 1,...,X T+1, à partir de celles basées sur (X 1,...,X T. L algorithme de Durbin- Levinson et l algorithme des innovations sont couramment utilisés. I.5 Étude des processus AR Cette partie ainsi que les suivantes présentent les modèles proposés par Box et Jenkins. Ils sont utilisés pour traiter de nombreuses séries temporelles. Sauf mention contraire, on considère dans ce chapitre des processus centrés. Si le processus (X t t Z n est pas centré, on obtient les mêmes résultats mais sur le processus (Y t t Z tel que Y t = X t µ X. I.5.1 Définition Définition I.30. Soit (ε t t Z un bruit blanc (faible de variance σ 2 et p 1. On dit qu un processus (X t t Z est un processus autorégressif ou encore processus AR (AutoRegressive d ordre p, noté AR (p, si : (X t t Z est stationnaire, t Z : X t = ϕ i X t i + ε t où (ϕ 1,...,ϕ p R p sont des constantes et ϕ p 0. On utilise généralement la notation suivante : où Φ (B = I ϕ i B i. Φ (BX t = ε t, Exemple I.31. Soit (ε t t Z un bruit blanc faible de variance σ 2. Soit le processus (X t t Z suivant : X t = X t 1 + ε t. On a, pour h N : X t X t h = ε t ε t h+1, d où : [ E (X t X t h 2] = hσ 2 Si le processus (X t t Z était stationnaire, on aurait : [ E (X t X t h 2] = E ( Xt 2 ( + E X 2 t h 2E (Xt X t h = E ( Xt 2 ( ( ( + E X 2 t h + E X 2 t + E X 2 t h E [(X t + X t h 2] = 4V (X t E [(X t + X t h 2] 4V (X t. (I.3
1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailModèle GARCH Application à la prévision de la volatilité
Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailMASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Econométrie pour la Finance
MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Université d Orléans Econométrie pour la Finance Modèles ARCH - GARCH Applications à la VaR Christophe Hurlin Documents et Supports Année Universitaire
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailSéries temporelles : régression, et modélisation ARIMA(p,d,q)
Séries temporelles : régression, et modélisation ARIMA(p,d,q) 2 décembre 2012 Enseignant : Florin Avram Objectif : La prédiction des phénomènes spatio-temporaux est une des preoccupations principales dans
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailStatistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailChapitre 1 Régime transitoire dans les systèmes physiques
Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailConstruction d un cercle tangent à deux cercles donnés.
Préparation au CAPES Strasbourg, octobre 2008 Construction d un cercle tangent à deux cercles donnés. Le problème posé : On se donne deux cercles C et C de centres O et O distincts et de rayons R et R
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détail